TAM SLAYT DİJİTAL PATOLOJİ GÖRÜNTÜLERİNİN SINIFLANDIRILMASI İÇİN SİNİR MİMARİSİ ARAMA YÖNTEMLERİNİN KULLANILMASI

Tez Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Fatih Sultan Mehmet Vakıf Üniversitesi, Lisansüstü Eğitim Enstitüsü, Bilgisayar Mühendisliği, Türkiye

Tez Danışmanı: Dr. Öğr. Üyesi Zeki Kuş

Tezin Onay Tarihi: 2026

Tezin Dili: Türkçe

Desteklendiği Program: Diğer

Özet:

Dijital patoloji, Tam Slayt Görüntülerinin (Whole Slide Images, WSI) bilgisayar destekli analizini mümkün kılmaktadır; ancak WSI’ların gigapiksel boyutu genellikle yama tabanlı işlemeyi gerektirmekte ve bu durum yama seviyesinde hem doğru hem de verimli çalışan mimarilere olan ihtiyacı artırmaktadır. Bu çalışmada, dijital patoloji WSI iş akışlarına uyarlanmış evrimsel bir Sinir Mimarisi Arama (Neural Architecture Search, NAS) çerçevesi önerilmektedir. Önceki NAS çalışmamızdan yola çıkarak, ayırt edici kapasiteyi korurken hesaplama yükünü azaltmak amacıyla standart evrişim operasyonları yerine 2B derinlik-bazlı ayrılabilir (depth-wise separable) evrişim operasyonları kullanılarak operasyon kümesi yeniden tasarlanmıştır. Ayrıca, keşif (exploration) ve sömürü (exploitation) dengesini daha iyi kurmak ve erken yakınsama/plato problemlerini azaltmak amacıyla, kaotik tabanlı ve karşıtlık temelli (opposition-based) başlatmayı adaptif bir mutasyon mekanizması ile birleştiren yeni bir arama stratejisi sunulmuştur. Keşfedilen modeller, ortak bir eğitim ve WSI düzeyinde değerlendirme protokolü altında EBHI, BCNB, TCGA ve SPIDER olmak üzere dört patoloji veri kümesi üzerinde değerlendirilmiştir. Önerilen yöntem, son derece kompakt ağlar (parametre boyutu 0.01 MB seviyesine kadar düşük) keşfetmekte ve güçlü CNN, dönüştürücü ve NAS tabanlı yöntemlere kıyasla rekabetçi hatta daha iyi doğruluk ve F1 skorları elde etmektedir. Özellikle, bulunan modeller, EBHI veri kümesinde ResNet-50’ye kıyasla yaklaşık 44 kat daha küçük boyutta olmasına rağmen ve değerlerine ulaşmaktadır. Ayrıca, en zorlu veri kümelerinden biri olan BCNB’de bile yöntem, model karmaşıklığını düşürerek, en iyi sonuçları vermekte ve duyarlılık/F1 skorlarını iyileştirmektedir. Başka bir kıyaslama veri kümesi olan SPIDER’da ise modelimiz, yaklaşık 537 kat daha az parametre ile VGG-16 modeliyle eşdeğer performans göstermektedir ( ). Ablasyon çalışmaları, mutasyonla ilgili iyileştirmelerin FLOPs veya parametre sayısında artış olmaksızın istatistiksel olarak anlamlı uygunluk (fitness) iyileşmeleri sağladığını ( ) göstermektedir.

Anahtar kelimeler: Dijital patoloji, Tam Slayt Görüntüsü, Sinir Mimarisi Arama, Diferansiyel evrim, Hafif CNN